基于改进降维聚类-分解策略LSTM-GRU组合短期负荷预测

【摘要】：提高电力负荷预测精度对于优化发电机组配置、降低系统运行费用具有重要的意义。为有效提高负荷预测精度,引入基于主特性聚类的思路,实现负荷时间序列的横向聚类;设计了基于降维聚类和VMD(变分模态分解)分解的策略,实现对聚类后负荷的纵向分解;依据聚类-分解结果,提出一种LSTM-GRU(长短期记忆—门控循环单元)组合的短期负荷预测方法,通过实际算例验证了所提方法的有效性。具体研究内容如下:首先,针对用户用电行为的差异性和负荷序列随机性较强的问题,引入聚类的思路,提出了基于主特性的负荷聚类方法。对负荷数据进行预处理,采用奇异值分解对负荷主特性进行提取,将其作为聚类的输入参数;基于选取聚类数目的K-means算法实现用户负荷序列的横向聚类。通过某台区的用电负荷数据进行算例验证,结果表明,基于主特性提取的负荷聚类方法可获得差异化的用电特性,降低短期负荷预测的难度。其次,针对负荷序列的非线性和不平稳性导致预测误差较大的问题,提出了基于降维聚类—分解的改进预测策略。通过研究并比较各种分解原理,将变分模态分解应用于聚类后负荷序列的分解,使每类负荷分解为单一频率的分量,从而为负荷预测提供良好的数据集。通过对某台区下的每类负荷进行VMD分解,结果表明,分解后的负荷序列频率单一,提取出了负荷的内在变化规律,使不同分量之间的影响大为降低。再次,考虑到LSTM对低频分量的时间序列预测效果较优,而GRU神经网络对非线性高频序列的拟合度较高,本文提出了 LSTM-GRU组合预测算法,对聚类-分解后各类负荷的高、低频分量分别进行预测,然后将各分量预测结果进行集成得到区域用户用电负荷的预测值。通过对某台区的用电负荷数据进行算例验证,结果表明所提方法具有较高的预测精度。最后,为进一步验证本文所提方法的有效性,采用西北某省实际用电负荷数据进行算例验证,设计了五类对比方案,对预测误差指标进行对比。结果表明所提预测算法在预测精度方面具有绝对优势,可为随机性时间序列的预测提供一种通用的思路和方法。